13.1.17. Der Datensatz-Editor

Das Training eines benutzerdefinierten Klassifikators beginnt mit einem gelabelten Datensatz – Hunderte von Bildern jeder Sache, die das Modell erkennen soll, aufgenommen von der Kamera, die es ausführen wird, und nach einem Ordner pro Klasse sortiert. Der Datensatz-Editor ist der Erfassungs-Workflow der IDE zum Erstellen eines solchen Datensatzes.

Tools → Dataset Editor → New Dataset fragt nach einem Ordner, in dem der Datensatz erstellt werden soll – mit dem Hinweis, dass der Inhalt eines nicht leeren Ordners gelöscht wird – und richtet ihn ein: Ein Dateibrowser-Bereich dockt links am Hauptfenster an, und ein Erfassungsskript (dataset_capture_script.py) öffnet sich im Editor. Das Skript ist eine einfache Erfassungsschleife und ist zum Bearbeiten gedacht – wenden Sie dieselbe Objektivkorrektur, denselben Zuschnitt oder dieselbe Filterung an, die die fertige Anwendung verwenden wird, damit das Modell mit den Bildern trainiert, die es tatsächlich sehen wird. Open Dataset öffnet später einen vorhandenen Datensatzordner erneut, und Close Dataset bringt das Fenster wieder in den Normalzustand.

13.1.17.1. Erfassen

Während ein Datensatz geöffnet ist, ergänzen zwei Schaltflächen die Werkzeugleiste am linken Rand des Fensters, unterhalb der Ausführungssteuerung. New Class Folder (Ctrl+Shift+N) erstellt eine Klasse – eine pro Kategorie, die das Modell lernen soll, benannt nach dem Label. Wenn das Erfassungsskript läuft und ein Klassenordner ausgewählt ist, speichert Capture Data (Ctrl+Shift+S) das aktuelle Framebuffer-Bild in diese Klasse, und der Vorschaubereich unter dem Dateibrowser zeigt jede Erfassung an, sobald sie eintrifft.

Der Erfassungsrhythmus lautet: eine Klasse auswählen, die Kamera auf ein Beispiel davon richten, erfassen; das Objekt bewegen, den Winkel, den Abstand, den Hintergrund, die Beleuchtung variieren, erneut erfassen – die Variation im Datensatz ist es, die die Robustheit des Modells erkauft. Wiederholen Sie dies pro Klasse, einschließlich einer Hintergrundklasse mit Szenen, die keines der Ziele enthalten, falls die Anwendung wissen muss, wann nichts vorhanden ist.

13.1.17.2. Exportieren und Trainieren

Das Untermenü Export sendet den fertigen Datensatz zum Training. Export Dataset to Zip File packt ihn in ein Archiv mit klassenpräfixierten Dateinamen – das neutrale Format, das jeder Trainingsdienst und jedes Framework akzeptiert. Für Edge Impulse ist die IDE direkt integriert: Melden Sie sich aus demselben Untermenü bei einem Edge-Impulse-Konto an, und Upload to Edge Impulse Project schiebt den Datensatz direkt in ein Projekt (für Konten, bei denen die Anmeldung per E-Mail und Passwort keine Option ist, gibt es einen Upload per API-Schlüssel). Trainieren Sie dort, exportieren Sie das Modell, und der NPU-Konverter macht es kamerabereit, wenn das Board es benötigt.

Siehe auch

Das Kapitel über maschinelles Lernen zum Trainings-Workflow, in den der Datensatz einfließt.